As 6 Fases da Previsão de Demanda com IA no Varejo.
Existe uma cena que se repete em todo varejo do Brasil, do mercadinho de bairro à rede com 300 lojas.
O comprador abre a planilha na segunda-feira. Olha a média dos últimos três meses. Olha o estoque atual. Coça a cabeça. Lembra que “mês passado faltou”. Aumenta 20% no chute. Manda o pedido.
Duas semanas depois, uma de duas coisas acontece: ou falta o item que vende (e o cliente compra no concorrente da esquina), ou sobra o item que não vende (e o seu dinheiro fica parado numa prateleira do depósito até virar remarcação).
Normalmente, as duas coisas acontecem ao mesmo tempo. É o paradoxo mais cruel do varejo: estoque cheio e gôndola vazia.
Este texto é sobre como sair disso com previsão de demanda com inteligência artificial e reposição automática de estoque — com o passo a passo real de implantação, e não com a versão de palco.
Quanto a ruptura custa de verdade?
Antes de falar de solução, vale dimensionar o problema — porque ele é sistematicamente subestimado.
A ruptura é a única perda do varejo que não aparece em nenhum relatório. A quebra você conta no inventário. O furto você vê na câmera. O desconto você lê no DRE. Mas a venda que não aconteceu porque o produto não estava lá não deixa rastro nenhum no seu sistema.
E ela é dupla. Você perde a margem daquele item e, em cerca de um terço dos casos, perde também o cliente para o concorrente — que agora sabe onde fica a sua loja e descobriu que o preço dele é parecido.
Some a isso o efeito espelho: o excesso de estoque. Todo real parado em item que não gira é um real que não está comprando o item que gira. Ruptura e encalhe não são problemas opostos. São o mesmo problema — previsão ruim — se manifestando nas duas pontas.
Por que falta produto na sua loja?
A resposta que todo comprador dá é “o fornecedor atrasou”. Às vezes é verdade. Na maioria das vezes, a ruptura foi decidida duas semanas antes, dentro da sua própria empresa.
Repare que quatro das cinco causas são internas e todas são corrigíveis com dado. A quarta merece atenção especial porque é a mais invisível: a ruptura de gôndola. O produto existe no sistema, existe no depósito e não está na prateleira. Para o cliente — que é quem paga a conta — isso é exatamente igual a não ter.
Como funciona a previsão de demanda com IA?
A previsão de demanda com inteligência artificial usa machine learning para aprender o padrão de venda de cada SKU em cada loja, cruzando histórico de vendas com sazonalidade, preço, promoção, clima, calendário e lead time do fornecedor — e devolve quanto vai vender e quanto comprar.
A diferença para a média móvel é que o modelo aprende o comportamento específico de cada item, em vez de aplicar a mesma lógica para o mix inteiro.
Três observações técnicas que fazem diferença na prática:
- Ruptura passada é dado de entrada, não lixo. Se o item ficou em falta na semana 12, a venda registrada foi zero — mas a demanda não foi zero. Modelo que não corrige venda perdida aprende a sua ruptura e a perpetua.
- Variáveis externas mudam o jogo. Clima, feriado, calendário escolar, dia de pagamento e evento local explicam boa parte da variação que o histórico sozinho não explica.
- A saída tem que virar pedido. Uma previsão bonita que morre num dashboard é custo. O que gera caixa é a quantidade sugerida entrando no fluxo de compra — de preferência dentro do ERP que o comprador já usa.
Passo a passo da implantação
Aqui está o que você veio buscar. Seis fases, com o prazo realista de cada uma para uma operação de médio porte.
Fase 1 — Diagnóstico de dado (2 a 3 semanas)
A fase que todo mundo tenta pular e a que decide o resultado. Aqui a gente mapeia onde a venda nasce (PDV, e-commerce, marketplace), corrige SKU duplicado, arruma unidade de medida e conversão de caixa para unidade, e recupera o histórico de ruptura — que quase nunca está armazenado.
Sinal de alerta: se o fornecedor quer começar a modelar na primeira semana, desconfie. Ele vai treinar um modelo sobre a sua bagunça e entregar um número com casas decimais e nenhuma relação com a realidade.
Fase 2 — Linha de base (1 semana)
Medir onde você está hoje: percentual de ruptura, cobertura de estoque em dias, giro por curva, acuracidade da previsão atual e capital imobilizado. Parece burocracia, mas é a única coisa que vai permitir provar — ou desmentir — o resultado daqui a seis meses.
Se você não sabe a sua ruptura atual, esse é o primeiro entregável do projeto, não o último.
Fase 3 — Modelo e backtest (3 a 4 semanas)
Treinar o modelo com o histórico real e testá-lo contra o passado: se ele estivesse rodando nos últimos 12 meses, teria acertado mais que o comprador? Em quais categorias? Onde erraria feio?
Aqui a comparação certa nunca é “o modelo acertou 85%”. É “o modelo acertou mais que a decisão humana atual, SKU a SKU”. Existe categoria em que o comprador experiente ganha do modelo — e está tudo bem descobrir isso agora, e não em produção.
Fase 4 — Política de estoque (2 semanas)
O modelo diz quanto vai vender. A política de estoque diz quanto risco você aceita correr. É aqui que se define nível de serviço por curva ABC, estoque de segurança e ponto de pedido dinâmico. É a fase mais estratégica e a menos técnica — e por isso costuma ser a mais negligenciada.
Fase 5 — Piloto controlado (4 a 6 semanas)
Um grupo de lojas e algumas categorias, com o comprador validando a sugestão em vez de obedecê-la. Isso serve para duas coisas: pegar os erros que só aparecem na operação real e trazer o time de compras para dentro do projeto, em vez de deixá-lo torcendo pelo fracasso.
Fase 6 — Produção e rotina (contínuo)
Sugestão dentro do ERP, reunião semanal olhando só as exceções, e reciclagem periódica do modelo. Modelo de previsão não é software: é organismo vivo. Muda mix, muda fornecedor, muda comportamento do cliente — e o modelo precisa reaprender.
O erro de sequência mais caro: contratar a ferramenta antes de fazer o diagnóstico de dado. É como comprar um carro de corrida antes de saber se existe estrada. Boa parte dos projetos que fracassam tinha ferramenta excelente e cadastro podre.
Nível de serviço
Aqui está a conversa mais desconfortável do projeto, e é melhor tê-la logo: ruptura zero não existe. Ou melhor, existe — e custa um patrimônio em capital de giro parado.
A curva não é linear. Sair de 90% para 95% de nível de serviço custa relativamente pouco. Sair de 95% para 99% pode dobrar o estoque de segurança do item. E chegar a 99,9% é matematicamente possível e financeiramente insano.
Por isso a resposta certa não é um número só. É um número por curva: alto para o arroz que traz o cliente à loja, baixo para o SKU de cauda longa que vende três unidades por mês. Escolher o mesmo alvo para todo o mix é o jeito mais comum de gastar caro e continuar com ruptura no item errado.
Perguntas Frequentes
1. O que é previsão de demanda com inteligência artificial?
É o uso de modelos de machine learning que aprendem o padrão de venda de cada SKU em cada loja, cruzando histórico de vendas com sazonalidade, preço, promoção, clima, calendário e lead time do fornecedor, para estimar quanto será vendido e quanto deve ser comprado. Diferente da média móvel, o modelo captura o comportamento específico de cada item em vez de aplicar a mesma regra para todo o mix.
2. Como reduzir a ruptura de estoque no varejo?
Corrigindo as causas na origem: substituir a previsão pela média por um modelo que considere sazonalidade e variáveis externas, adotar ponto de pedido dinâmico em vez de estoque mínimo fixo, incorporar o lead time real de cada fornecedor, monitorar a ruptura de gôndola (produto que existe no depósito mas não está na prateleira) e limpar o cadastro de produtos. Operações que fizeram isso reportam reduções de ruptura na casa dos 35%.
3. Qual é o índice de ruptura médio do varejo brasileiro?
O Índice de Ruptura da Neogrid, que mede a falta de produtos nas gôndolas dos supermercados brasileiros, ficou em 10,8% em julho de 2026, o menor nível em 12 meses. Historicamente, a ruptura média no país oscila entre 8% e 12%, e cerca de 42% das perdas de venda do varejo são atribuídas à falta de produto na gôndola.
4. Quanto tempo leva para implantar previsão de demanda com IA?
Para uma operação de médio porte, o ciclo completo costuma levar de 3 a 4 meses: 2 a 3 semanas de diagnóstico de dado, 1 semana de linha de base, 3 a 4 semanas de modelagem e backtest, 2 semanas de definição de política de estoque e 4 a 6 semanas de piloto controlado, antes de entrar em produção.
5. O que é reposição automática de estoque?
É o processo em que o sistema calcula o ponto de pedido de cada item a partir da previsão de demanda, respeitando lead time do fornecedor, lote mínimo, múltiplo de compra e capacidade de gôndola, e gera a sugestão ou o pedido de compra. Costuma ser implantada em três níveis: sugerido com aprovação humana, automático com tratamento de exceções e automático pleno para itens de alto giro.
6. Qual nível de serviço de estoque devo adotar?
Não existe um número único. A prática recomendada é definir o nível por curva ABC: 97% a 99% para itens de alto giro e destino de compra, 93% a 95% para giro médio e 85% a 90% para a cauda longa. O custo do estoque de segurança cresce de forma exponencial: sair de 95% para 99% pode dobrar o estoque necessário de um item.
7. Previsão de demanda com IA funciona para lojas pequenas?
Funciona, com dois ajustes: em volumes baixos a série de vendas é mais ruidosa, então convém modelar por grupo de produtos em vez de SKU a SKU; e não é necessário um projeto completo — basta começar pelos itens que concentram a maior parte do faturamento, usando o histórico que já existe no PDV.
